R语言按列名内嵌双数值优先级排序数据框列

问题根源 #

原排序函数的核心逻辑是将列名中提取的所有数值求和，再按和的大小排序列，这个逻辑在区间上下限差距悬殊时会完全失效：比如[500,1000000]的数值和为1000500，远大于[1000,1500)的数值和2500，会导致大上限的小区间被错误排到大区间后面。

修正方案 #

调整数值处理逻辑，放弃求和排序，改为按数值在列名中出现的先后顺序设置排序优先级，同时完全保留原函数对字母后缀（如方位词）的排序兼容性，修正后的函数如下：

library(magrittr)
order_cols <- function(dat) {
  # 提取列名中所有字母片段，按字母序生成替换索引，适配带文字后缀的场景
  s_ordered <- stringi::stri_extract_all_regex(colnames(dat), "[[:alpha:]]+") %>% 
    unlist() %>% 
    unique() %>% 
    sort()
  
  if (length(s_ordered) > 1) {
    cnames <- stringi::stri_replace_all_fixed(
      colnames(dat), s_ordered, seq_along(s_ordered), vectorise_all = FALSE
    )
  } else {
    cnames <- colnames(dat)
  }
  
  # 提取列名中所有数值，不做求和操作
  num_list <- cnames %>% 
    stringi::stri_extract_all_regex("\\d+") %>% 
    lapply(as.numeric)
  
  # 对齐所有列的数值长度，避免长度不一致报错
  max_num_len <- max(vapply(num_list, length, integer(1)))
  num_padded <- lapply(num_list, function(x) c(x, rep(NA, max_num_len - length(x))))
  num_matrix <- do.call(rbind, num_padded)
  
  # 按数值从左到右的优先级依次排序
  do.call(order, as.data.frame(num_matrix))
}

效果验证 #

测试出错的新区间数据集 #

dat_I <- structure(list(`[25,250)`=3L, `[0,25)` = 5L, `[100,250)` = 43L, `[100,500)` = 0L, 
                        `[1000,1000000]` = 20L, `[1000,1500)` = 0L, `[1500,3000)` = 0L, 
                        `[25,100)` = 38L, `[25,50)` = 0L, `[250,500)` = 27L, `[3000,1000000]` = 0L, 
                        `[50,100)` = 0L, `[500,1000)` = 44L, `[500,1000000]` = 0L), row.names = "Type_A", class = "data.frame")

colnames(dat_I)[order_cols(dat_I)]

运行后得到正确排序结果：

[1] "[0,25)"        "[25,50)"       "[25,100)"      "[25,250)"      "[50,100)"      "[100,250)"    
 [7] "[100,500)"     "[250,500)"     "[500,1000)"    "[500,1000000]" "[1000,1500)"   "[1000,1000000]"
[13] "[1500,3000)"   "[3000,1000000]"

兼容旧数据集 #

对原有的两个测试数据集运行函数，排序结果和原函数表现完全一致：

• 纯区间列名的旧数据集会按左端点、右端点顺序正确排列
• 带east/north/south/west方位后缀的数据集，会先按区间排序，同区间内按方位词字母序排列。

内容的提问来源于stack exchange，提问作者Tom